全球首个英伟达含量为0的万亿模型，成了海外开发者的抢手货

闻乐 发自 凹非寺 | 量子位公众号 QbitAI

国产算力能否真正扛起万亿参数大模型的全球抢手重任？

答案终于揭晓：美团 LongCat-2.0正式登场。

该模型采用自研 MoE（混合专家）架构，英伟亿模总参数量高达 1.6万亿，达含的万单次推理激活约 480亿参数，型成并原生支持 100万（1M）超长上下文窗口。海外货

最关键的全球抢手是，从训练到推理的英伟亿模全链路中，英伟达 GPU 的达含的万使用率为 0。

LongCat-2.0 成为 首个在国产算力集群上实现全链路训推闭环的型成万亿参数模型。

多项专业评测数据显示，海外货LongCat-2.0 在代码生成、全球抢手工具调用及多步逻辑推理等复杂任务中，英伟亿模展现出极强的达含的万综合竞争力。

不过，型成这位看似陌生的海外货“新朋友”，其实早已以“马甲”身份，悄然成为全球 Agent 开发者的宠儿。

没错，近期在 OpenRouter 平台上热度飙升的 Owl Alpha，正是 LongCat-2.0 的匿名版本。

在 Hermes 榜单中，Owl Alpha 的月调用量分别超越 Hermes、Claude Code 和 OpenClaw，位列 全球第一、第二和第三，稳居开源模型首选地位。

这意味着，LongCat-2.0 不仅率先在国产卡上跑通了万亿级训推流程，更提前通过了全球市场的真实流量验证。

迫不及待想要体验？

• 体验入口：https://longcat.chat/platform/product
• 新用户认证即送 1000 万 Token
• 技术报告：https://longcat.ai/blog/longcat-2.0/

实测：把 LongCat-2.0 扔进三个“硬核”测试

既然它在 Hermes 榜单上稳坐第一，我们便接入 Hermes 环境，实地检验其实力。

测试一：长上下文极限挑战

为了验证其是否真正“读懂”了长文档，我特意避开了公开的技术论文，手动拼接了一份多行业研报与论文混合的语料，包含数万字的中文与英文内容，结构如下：

任务 1：定位前段信息
我询问了一份隐藏在文档前段的跨境电商进出口报告数据。

结果：回答精准无误，信息提取完全正确。

任务 2：解析拆分统计报告
针对被刻意拆分的完整统计报表，LongCat-2.0 迅速定位并准确解读，耗时仅约 1 秒。

面对几万字的信息量攻击，其分析推理逻辑清晰，表现稳健。

测试二：代码重构与功能迭代

接下来，让模型处理程序员最头疼的任务：接手遗留代码。

我选取了一个 GitHub 上拥有 13k Star 的开源项目 2048 游戏（纯 HTML+CSS+JavaScript 架构）。

需求如下：
1. 视觉修改：改为赛博朋克风格（深色背景、霓虹色方块、发光数字）。
2. 功能修改：棋盘从 4x4 改为 5x5，并在下方增加计步器。

LongCat-2.0 首先梳理关键文件，自主拆解出 7 步修改计划。

随后，模型独立运行了 12 分钟，交付了完整结果，无需人工干预。

试玩效果：
计步器功能正常，5x5 棋盘布局正确，配色符合赛博朋克要求。

视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q

进阶挑战：技术栈迁移
进一步要求将项目从原生 JavaScript 迁移至 React。

迁移后的游戏界面保持一致，功能完整保留，但底层代码已完全重构为 React 架构。

测试三：Agent 自主调研与游戏开发

LongCat-2.0 官宣后，许多用户反馈其与 Claude Code搭配效果极佳。我们尝试接入 Claude Code 进行联合测试。

场景 1：自主调研
给定一个研究主题，要求 LongCat-2.0 独立完成调研（暂不使用 Claude Code 自带的 deep-research 功能）。

通过 Agent 原生联网搜索能力，LongCat-2.0 独立完成了整篇结构化报告。

视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q

场景 2：从零开发游戏
要求开发一款“只有一道门”的魔性小游戏。

LongCat-2.0 展现出强大的统筹能力，自主确定项目架构、模块拆分及技术选型，并主动添加了 Web Audio 音效。

视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q

彩蛋：API 集成与成本优势
我们接入 LongCat-2.0 API 构建了代码分析师，输入任意 GitHub 仓库即可生成包含项目结构、核心模块、潜在风险及优化建议的专属报告。

视频演示：https://mp.weixin.qq.com/s/OWCyjK_CVOJn8ITX_1Da4Q

在对比测试中，我们将 LongCat-2.0 与 GPT-5.5、Opus 4.6、Opus 4.8 进行同提示词物理仿真代码生成对比。

虽然视觉效果相近，但 LongCat-2.0 的 Token 用量仅为 9004，为四者中最低。按美团计费标准，成本不足 0.1 元。

这得益于其“Cache 命中不计费，Token Plan 不消耗”的机制，展现了极高的性价比。

技术揭秘：5万张国产卡如何撑起万亿模型？

LongCat-2.0 的强大背后，是架构层面的原创设计与国产芯片集群的工程突破。

1. 全链路国产化的工程挑战

过去，大模型在国产算力上的应用多局限于推理或百亿/千亿级训练的单点验证。LongCat-2.0 是首个在 预训练第一天即基于国产卡完成万亿参数训推全链路闭环的模型。

主要难点：
* 显存限制：单卡显存较小，1.6万亿参数需拆分至成千上万张卡并行。
* 通信瓶颈：缺乏 NVLink 般的高带宽，跨节点通信延迟高，易导致计算与通信不对齐，降低吞吐。

△ 图片 AI 生成

此外，软件生态也是巨大障碍。英伟达平台成熟的算子、调试工具在国产芯片上需重写优化。例如，FlashAttention 的反向梯度算子在国产平台上原有实现仅支持单核串行，速度慢 20-70 倍，无法直接用于生产。

意义：LongCat-2.0 证明了国产算力已具备支撑先进大模型 持续训练、部署与迭代的能力。

2. 核心架构创新

LongCat Sparse Attention (LSA)

针对 Agent 时代 1M 上下文带来的注意力计算压力，LongCat-2.0 设计了 LSA 方案。

相比 DeepSeek 的 DSA 方案（索引器成为瓶颈，显存访问碎片化），LSA 对索引器进行了三项优化：
1. 连续读取：整理零散访问。
2. 共享索引：相邻层共享索引结果。
3. 两阶段筛选：减少计算量。

这三项优化可独立或组合使用，显著提升 1M 上下文处理速度，且模型质量无损。

△ LongCat 稀疏注意力设计总览

N-gram Embedding

继承并增强自 LongCat-Flash-Lite 的设计。

传统 MoE 模型通过堆叠专家提升能力，而 LongCat 将部分参数“前移”至 Embedding 层，使模型在输入阶段即可识别高频词组和语言模式。

• 优势：提高代码与指令理解准确率，减少专家间通信开销。

△ N-gram Embedding 总览

其他优化

• ScMoE 快捷连接：减少等待时间。
• 零计算专家：减少无效计算。

这些设计共同目标：将算力集中在真正有价值的计算上，实现更快、更省、更强。

3. 工程落地：稳定性与效率

在 5 万张国产卡的大规模集群中，硬件故障是常态。LongCat 团队构建了自动化故障处理体系：
* 自动恢复：涵盖异常检测、链路切换，将日均故障率从 15.7/万降至 4.4/万。
* 弹性扩缩容：支持训练任务从 2560 张卡扩展至 5 万张卡，无需中断重训。

同时，重写适配国产芯片的算子与并行方案：
* 硬件利用率 (MFU)：从 17.8% 提升至 27.68%。
* 单日 Token 处理量：从 7170 亿提升至 1.12 万亿。

结合零计算专家、ScMoE 及 N-gram Embedding 等优化，LongCat-2.0 的训推成本显著低于同等规模的英伟达路线方案。

三年磨一剑：“国芯+国模”的终局验证

美团布局国产算力已历时三年。

• 2023 年初：成立 LongCat 基座团队，搭建国产算力集群。
• 2023-2024 年：跑通千亿参数训练流程，验证 MoE 架构。
• 2025 年：推出 5600 亿参数模型 LongCat-Flash。
• 2026 年：落地 1.6 万亿参数 LongCat-2.0。

在 OpenRouter 上，匿名版本 Owl Alpha 在两个月内证明：由国产芯片训练的万亿级模型，同样能获得全球开发者的认可。

LongCat-2.0 在无品牌背书的情况下，成为多场景下的首选，标志着模型交付结果获得了市场实质性的认可。

今年 3 月，美团核心本地商业 CEO 王莆中提出 “建设物理世界 AI 底座”的战略，强调投入基础模型，打造 有特色、低推理成本、能力紧跟 SOTA的模型。

LongCat-2.0 的全流程国产训推特性，完美契合这一逻辑。它不仅是一个模型，更是未来物理世界 AI 的基石——基模能力稳固，上层理解层与行动层方能有效构建。

那么，下一个冲击 SOTA 榜单的“新马甲”，又会是谁呢？（doge）

参考文献：
[1] https://x.com/dr_cintas/status/2071363139967291838
[2] https://x.com/rohanpaul_ai/status/2071123605694652737
[3] https://github.com/gabrielecirulli/2048

(责任编辑：百科)